ByteDance 的 Seed-TTS 是迄今為止最強烈的信號之一，表明 TTS 正在從組件升級為真正的基礎模型。此評論詳述了整個系列——一個大規模自回歸堆棧在客觀和主觀評估中達到了與基準真實人類語音基本無法區分的說話人相似性和自然度分數，加上一個完全基於擴散的非自回歸變體稱為 Seed-TTS_DiT，它完全跳過預估的音素時長並通過端到端處理進行語音生成。微調將主觀分數推得更高，為真實環境中的說話人提供強大的情感和其他表達屬性的可控性。

除了主要質量指標之外，有趣的部分是架構和方法論的：一個用於語音分解的自蒸餾方法，讓您能夠乾淨地分離屬性，以及一個強化學習微調循環，它將穩健性、說話人相似性和可控性進一步超越單獨的監督訓練。DiT 變體還開啟了舊 NAR 系統無法做到的語音編輯。如果您正在評估現代語音基礎模型的樣子——用於語音克隆、表達性合成、配音或背景語音學習——花五分鐘閱讀此評論將快速讓您了解全貌。